画像処理の式が正しく見えるのに、ComfyUIの自作ノードでサイズ不一致になる場合は、最初にテンソルの軸を確認します。通常のIMAGEはチャンネルが最後、MASKはチャンネル軸を持たない形です。同じ幅と高さでも、そのまま掛け算できるとは限りません。
幅と高さの前に、各軸の意味を読む
| 型 | 基本的な構造 | 注意する箇所 |
|---|---|---|
| IMAGE | [B, H, W, C] | RGB画像のチャンネルは通常3 |
| MASK | [B, H, W] | 一枚では[H, W]の入力も考慮する |
| LATENT | 辞書のsamplesにテンソル | モデルによりチャンネル数・次元が異なる |
Bは画像枚数、Hは高さ、Wは幅、Cはチャンネルです。たとえば[2, 480, 640, 3]は、幅640・高さ480のRGB画像が二枚ある形です。最初の2を高さと読むと、以後の変換もずれます。
画像batchはPythonのlistとは異なります。繰り返しの単位で迷う場合はbatchとlistの違いを先に確認してください。
MASKを画像へ掛けるなら最後に軸を足す
次はRGB画像へマスクを掛け、マスク0の領域を黒くする関数です。同じ空間サイズで、マスクのbatchが1または画像と同数の場合だけを受け付けます。白い背景へ合成する処理や、一般的な透過画像保存ではありません。
def apply_rgb_mask(images, mask):
if images.ndim != 4 or images.shape[-1] != 3:
raise ValueError("images must be [B,H,W,3]")
if mask.ndim == 2:
mask = mask.unsqueeze(0)
if mask.ndim != 3:
raise ValueError("mask must be [B,H,W] or [H,W]")
if tuple(mask.shape[1:]) != tuple(images.shape[1:3]):
raise ValueError("image and mask sizes differ")
if mask.shape[0] not in (1, images.shape[0]):
raise ValueError("mask batch must be 1 or match images")
weights = mask.to(device=images.device, dtype=images.dtype)
return images * weights.unsqueeze(-1)
unsqueeze(-1)で[B,H,W,1]にし、RGBの各チャンネルへ同じ重みを使います。形が合わない入力を黙ってリサイズしないため、どこで画像とマスクがずれたかを検出できます。値は0〜1のマスクを渡す前提です。
squeezeで必要なbatch軸を消さない
引数なしのsqueeze()は、サイズ1の軸をまとめて取り除きます。一枚のときだけBが消えたり、幅1の画像でWまで消えたりすると、入力によって壊れる実装になります。外す軸が決まっているなら、その軸を明示します。
PyTorchの処理が[B,C,H,W]を求める場合は、permute(0,3,1,2)などで軸を並べ替え、処理後に戻します。reshapeで同じ形だけを作っても、画素とチャンネルの配置を入れ替えたことにはなりません。
LATENTをRGB画像として扱わない
LATENTはsamplesなどを持つ辞書です。古い画像モデルの例にある「4チャンネル」を全モデルへ固定しないでください。現行のモデル実装には異なるチャンネル数があり、動画では時間に関わる次元もあります。
自作ノードが特定の画像モデル専用なら、対応する形を明記して検証します。汎用を名乗るなら、辞書の他の項目を失わないことも必要です。辞書を浅くコピーしても中のテンソルは共有されるため、その場で値を書き換える処理には別途注意します。仕組みの基礎はLatentの解説で扱っています。
一枚だけ通るコードを複数枚でも試す
画像一枚、画像二枚と同数のマスク、一枚のマスクを二枚へ適用、縦横の異なるマスクの四条件で関数を試します。前の三つは形と値を確認し、最後は説明的なエラーになることを確認します。shapeだけでなくdeviceとdtypeも記録すると、CPU/GPU間の不一致を分けられます。
2026年11月9日に公式のデータ型説明とモデル実装を確認しました。上の関数は説明用で、GPUを使うComfyUI実機では未検証です。まずは小さな既知の値で計算し、黒・白・中間値のマスクが何を残すかを見てからworkflowへ組み込みます。